迈向全模态图基础模型：一种拓扑驱动的绑定方法

arXiv:2610.02881v1 公告类型：新 提要：多模态图基础模型（MGFMs）旨在从具有异构节点模态的大规模图中学习可泛化的表示。然而，现实世界中的多模态属性图（MAGs）通常包含不完整的节点属性，从而限制了可用预训练语料的规模和多样性。此外，现有的MGFMs主要将图拓扑作为结构上下文加以利用，却忽视了其在引导多模态绑定和塑造统一表示空间方面的作用。为应对这些挑战，我们提出GraphBind，这是一种拓扑驱动的方法，利用图拓扑将丰富的模态信息绑定到统一的共享空间中。GraphBind的设计动机源于图拓扑的稳定性：它能够为多模态绑定提供结构参照和互补语义信息。具体而言，GraphBind利用拓扑将自身语义和可靠的邻域语义组织到一个融合结构与语义的全局共享空间中，并通过轻量级接口使该空间适应判别式任务和生成式任务。针对11个具有代表性的基线方法进行的大量实验表明，GraphBind在判别式任务和生成式任务上均取得领先性能，相较于最强基线方法的相对提升最高达28.1%。